図解まるわかり VR・AR・MRのしくみ

108

 ボイスジェネレーション、DNN、GAN

人工的な歌声を生成する技術

5-12

音声合成AIの進化

AIを使って人の声や歌声を生成する、ボイスジェネレーションという技

術があります。この技術の中核となるのは、ディープラーニングを応用し

た音声合成モデルです。

代表的なモデルには、

DNN（ディープニューラルネットワーク）と

GAN（生成敵対ネットワーク）が挙げられます。DNNは大量の音声デー

タから自然な発音の特徴を学習し、テキストから音声を生成します（図

5-23）。一方の GAN は、2 つの AIが競い合うことで、よりリアルな音声生

成を実現します（図5-24）。

高品質で自然な音声

ボイスジェネレーションでは、自然で高品質な音声生成が求められてお

り、リアルタイム性の確保も重要な課題です。その課題を解消するため

に、高度なデータ前処理と効率的なモデル構築が行われています。

例えば、歌声生成では、歌手の呼吸や歌詞のリズムなど、音声以外の情

報もモデルに取り込むことで、より自然な歌声を実現しています。

また、ボイスジェネレーションは、XR体験を豊かにする役割も担って

います。

例えば、VRゲームや教育アプリケーションにおいて、キャラクターの

声がより自然で感情豊かになれば、ユーザーの没入感が高まります。AR

ではリアルタイムでより人間の発話に近い音声ガイドを実現します。また

MRでは、デジタルアシスタントがユーザーの指示に対して自然な音声で

応答することで、対話型の操作が可能になります。

これにより、ユーザーはより直感的にシステムと対話でき、操作性の向 ...